前言：本文主要讲scrapy框架的原理和使用，建议至少在理解掌握python爬虫原理后再使用框架(不要问我为什么，我哭给你看)。
双十一马上就要来了，在举国一片“买买买”的呼声中，单身汪的咆哮声也愈发凄厉了。作为一个Python程序员，要如何找到小姐姐，避开暴击伤害，在智中取胜呢？于是就有了以下的对话：
so~今天我们的目标是，爬社区的小姐姐~而且，我们又要用到新的姿势(雾)了~scrapy爬虫框架~
1.scrapy原理
在写过几个爬虫程序之后，我们就知道，利用爬虫获取数据大概的步骤：请求网页，获取网页，匹配信息，下载数据，数据清洗，存入数据库。
scrapy是一个很有名的爬虫框架，可以很方便的进行网页信息爬取。那么scrapy到底是如何工作的呢？之前在网上看了不少scrapy入门的教程，大多数入门教程都配有这张图。
_(:зゝ∠)_也不知道是这张图实在太经典了，还是程序员们都懒得画图，第一次看到这个图的时候，米酱的心情是这样的
经过了一番深入的理解，大概知道这幅图的意思，让我来举个栗子(是的，我又要举奇怪的栗子了)：
scrapy原理图之我要吃好吃的
当我们想吃东西的时候，我们会出门，走到街上，寻找一家想吃的点，然后点餐，服务员再通知厨房去做，最后菜到餐桌上，或者被打包带走。这就是爬虫程序在做的事，它要将所有获取数据需要进行的操作，都写好。
而scrapy就像一个点餐app一般的存在，在订餐列表(spiders)选取自己目标餐厅里想吃的菜(items)，在收货(pipeline)处写上自己的收货地址(存储方式)，点餐系统(scrapy engine)会根据订餐情况要求商铺(Internet)的厨房(download)将菜做好，由于会产生多个外卖取货订单(request)，系统会根据派单(schedule)分配外卖小哥从厨房取货(request)和送货(response)。说着说着我都饿了。。。。
什么意思呢？在使用scrapy时，我们只需要设置spiders(想要爬取的内容)，pipeline(数据的清洗，数据的存储方式)，还有一个middlewares，是各功能间对接时的一些设置，就可以不用操心其他的过程，一切交给scrapy模块来完成。
2.创建scrapy工程
安装scrapy之后，创建一个新项目
$ scrapy startproject zhihuxjj
我用的是pycharm编译器，在spiders文件下创建zhihuxjj.py
在zhihuxjj.py这个文件中，我们要编写我们的爬取规则。
3.爬取规则制定(spider)
创建好了项目，让我们来看一下我们要吃的店和菜…哦不，要爬的网站和数据。
我选用了知乎作为爬取平台，知乎是没有用户从1到n的序列id的，每个人可以设置自己的个人主页id，且为唯一。所以采选了选取一枚种子用户，爬取他的关注者，也可以关注者和粉丝一起爬，考虑到粉丝中有些三无用户，我仅选择了爬取关注者列表，再通过关注者主页爬取关注者的关注者，如此递归。
对于程序的设计，是这样的。
start url是scrapy中的一个标志性的值，它用于设置爬虫程序的开始，也就是从哪里开始爬，按照设定，从种子用户个人主页开始爬便是正义，但是考虑到个人主页的链接会进行重复使用，所以在这里我将起始url设成了知乎主页。
之后就是种子用户的个人主页，知乎粉丝多的大V很多，但是关注多的人就比较难发现了，这里我选择了知乎的黄继新，联合创始人，想必关注了不少优质用户(≖‿≖)✧。
分析一下个人主页可知，个人主页由'https://www.zhihu.com/people/' + 用户id 组成，我们要获取的信息是用callback回调函数(敲黑板！！划重点！！)的方式设计，这里一共设计了俩个回调函数：用户的关注列表和关注者的个人信息。
使用chrome浏览器查看上图的页面可知获取关注列表的url，以及关注者的用户id。
将鼠标放在用户名上。
可以获得个人用户信息的url。分析url可知：
关注者列表链接构成：'https://www.zhihu.com/api/v4/members/' + '用户id' + '/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset=0&limit=20'
个人信息链接构成：'https://www.zhihu.com/api/v4/members/' + '用户id' + '?include=allow_message%2Cis_followed%2Cis_following%2Cis_org%2Cis_blocking%2Cemployments%2Canswer_count%2Cfollower_count%2Carticles_count%2Cgender%2Cbadge%5B%3F(type%3Dbest_answerer)%5D.topics'
so，我们在上一节中创建的zhihuxjj.py文件中写入以下代码。
import json
from zhihuxjj.items import ZhihuxjjItem
from scrapy import Spider,Request
class ZhihuxjjSpider(Spider):
name='zhihuxjj' #scrapy用于区别其他spider的名字，具有唯一性。
allowed_domains = ["www.zhihu.com"] #爬取范围
start_urls = ["https://www.zhihu.com/"]
start_user = "jixin"
followees_url = 'https://www.zhihu.com/api/v4/members/{user}/followees?include=data[*].answer_count,articles_count,gender,follower_count,is_followed,is_following,badge[?(type=best_answerer)].topics&offset={offset}&limit=20' #关注列表网址
user_url = 'https://www.zhihu.com/api/v4/members/{user}?include=locations,employments,gender,educations,business,voteup_count,thanked_Count,follower_count,following_count,cover_url,following_topic_count,following_question_count,following_favlists_count,following_columns_count,avatar_hue,answer_count,articles_count,pins_count,question_count,commercial_question_count,favorite_count,favorited_count,logs_count,marked_answers_count,marked_answers_text,message_thread_token,account_status,is_active,is_force_renamed,is_bind_sina,sina_weibo_url,sina_weibo_name,show_sina_weibo,is_blocking,is_blocked,is_following,is_followed,mutual_followees_count,vote_to_count,vote_from_count,thank_to_count,thank_from_count,thanked_count,description,hosted_live_count,participated_live_count,allow_message,industry_category,org_name,org_homepage,badge[?(type=best_answerer)].topics' #个人信息链接
def start_requests(self):
yield Request(self.followees_url.format(user=self.start_user,offset=0),callback=self.parse_fo) #回调种子用户的关注列表
yield Request(self.user_url.format(user=self.start_user,include = self.user_include),callback=self.parse_user) #回调种子用户的个人信息
def parse_user(self, response):
result = json.loads(response.text)
print(result)
item = ZhihuxjjItem()
item['user_name'] = result['name']
item['sex'] = result['gender'] # gender为1是男，0是女，-1是未设置
item['user_sign'] = result['headline']
item['user_avatar'] = result['avatar_url_template'].format(size='xl')
item['user_url'] = 'https://www.zhihu.com/people/' + result['url_token']
if len(result['locations']):
item['user_add'] = result['locations'][0]['name']
else:
item['user_add'] = ''
yield item
def parse_fo(self, response):
results = json.loads(response.text)
for result in results['data']:
yield Request(self.user_url.format(user=result['url_token'], include=self.user_include),callback=self.parse_user)
yield Request(self.followees_url.format(user=result['url_token'], offset=0),callback=self.parse_fo) # 对关注者的关注者进行遍历，爬取深度depth+=1
if results['paging']['is_end'] is False: #关注列表页是否为尾页
next_url = results['paging']['next'].replace('http','https')
yield Request(next_url,callback=self.parse_fo)
else:
pass
这里需要划重点的是yield的用法，以及item['name']，将爬取结果赋值给item，就是告诉系统，这是我们要选的菜…啊呸…要爬的目标数据。
4.设置其他信息
在items.py文件中，按照spider中设置的目标数据item，添加对应的代码。
import scrapy
class ZhihuxjjItem(scrapy.Item):
# define the fields for your item here like:
# name = scrapy.Field()
user_name = scrapy.Field()
sex = scrapy.Field()
user_sign = scrapy.Field()
user_url = scrapy.Field()
user_avatar = scrapy.Field()
user_add = scrapy.Field()
pass
在pipeline.py中添加存入数据库的代码(数据库咋用上一篇文章写了哦~)。
import pymysql
def dbHandle():
conn = pymysql.connect(
host='localhost',
user='root',
passwd='数据库密码',
charset='utf8',
use_unicode=False
)
return conn
class ZhihuxjjPipeline(object):
def process_item(self, item, spider):
dbObject = dbHandle() # 写入数据库
cursor = dbObject.cursor()
sql = "insert into xiaojiejie.zhihu(user_name,sex,user_sign,user_avatar,user_url,user_add) values(%s,%s,%s,%s,%s,%s)"
param = (item['user_name'],item['sex'],item['user_sign'],item['user_avatar'],item['user_url'],item['user_add'])
try:
cursor.execute(sql, param)
dbObject.commit()
except Exception as e:
print(e)
dbObject.rollback()
return item
因为使用了pipeline.py，所以我们还需要再setting.py文件中，将ITEM_PIPELINE注释解除，这里起到连接两个文件的作用。
到这里，基本就都设置好了，程序基本上就可以跑了。不过因为scrapy是遵循robots.txt法则的，所以让我们来观察一下知乎的法则https://www.zhihu.com/robots.txt
emmmmmmm，看完法则了吗，很好，然后我们在setting.py中，将ROBOTSTXT_OBEY 改成 False。(逃
好像…还忘了点什么，对了，忘记设置headers了。通用的设置headers的方法同样是在setting.py文件中，将DEFAULT_REQUEST_HEADERS的代码注释状态取消，并设置模拟浏览器头。知乎是要模拟登录的，如果使用游客方式登录，就需要添加authorization，至于这个authorization是如何获取的，我，就，不，告，诉，你(逃
DEFAULT_REQUEST_HEADERS = {
"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_12_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/61.0.3163.100 Safari/537.36",
'authorization': 'oauth c3cef7c66a1843f8b3a9e6a1e3160e20'
}
为了减少服务器压力&防止被封，解除DOWNLOAD_DELAY注释状态，这是设置下载延迟，将下载延迟设为3(robots法则里要求是10，但10实在太慢了_(:зゝ∠)_知乎的程序员小哥哥看不见这句话看不见这句话…
写到这里你会发现，很多我们需要进行的操作，scrapy都已经写好了，只需要将注释去掉，再稍作修改，就可以实现功能了。scrapy框架还有很多功能，可以阅读官方文档了解。
5.运行scrapy文件
写好scrapy程序后，我们可以在终端输入
$ scrapy crawl zhihuxjj
运行文件。
但也可以在文件夹中添加main.py，并添加以下代码。
然后直接用pycharm运行main.py文件即可，然后我们就可以愉快的爬知乎用户啦~(帅哥们小姐姐我来啦~
6.查找小姐姐
经过了X天的运行，_(:зゝ∠)_爬到了7w条用户数据，爬取深度5。(这爬取速度让我觉得有必要上分布式爬虫了…这个改天再唠)
有了数据我们就可以选择，同城市的用户进行研究了……
先国际惯例的分析一下数据。
在7w用户中，明显男性超过了半数，标明自己是女性的用户只占了30%左右，还有一部分没有注明性别，优质的小姐姐还是稀缺资源呀~
再来看看小姐姐们都在哪个城市。(从7w用户中筛选出性别女且地址信息不为空的用户)
看来小姐姐们还是集中在北上广深杭的，所以想发现优质小姐姐的男孩纸们还是要向一线看齐啊，当然也不排除在二三线的小姐姐们没有标记处自己的地理位置。
emmmmm……这次的分析，就到此为止，你们可以去撩小姐姐们了。(逃
7.研究小姐姐
意不意外？开不开心？这里还有一章。正所谓，授之以鱼，不如授之以渔；撒了心灵鸡汤，还得加一只心灵鸡腿；找到了小姐姐，我们还要了解小姐姐…………
让我再举个栗子~来研究一个小姐姐。(知乎名：动次，已获取小姐姐授权作为示例。)
知乎用户：动次
让我们来爬一下她的动态，chrome右键检查翻network这些套路我就不说了，直接将研究目标。
赞同的答案和文章(了解小姐姐的兴趣点)
发布的答案和文章(了解小姐姐的世界观、人生观、价值观)
关注的问题和收藏夹(了解小姐姐需求)
提出的问题(了解小姐姐的疑惑)
代码也不贴了，会放在gayhub的，来看一下输出。
研究动次的结果输出
因为你乎风格，所以对停用词进行了一些加工，添加了“如何”“看待”“体验”等词语，得到了小姐姐回答问题的词频。小姐姐的回答里出现了喜欢、朋友、爷爷等词语。
动次回答问题的词频
还有！！在关注、赞同和输出中，都有的词(✪ω✪)。(是不是可以靠美味捕获小姐姐呢……
再来一张刘看山背景的，答题词云。
动次的回答问题词云
8.后记
本文涉及项目会持续更新，会将研究对象拓展至各平台，并进行后续优化，有兴趣的盆友可以关注github项目。
结尾引用知乎用户陈壮壮在《当你追求女生时，你们聊些什么？》的回答。(因为穷我就不申请转载了你们自己点进去看吧(ಥ﹏ಥ)，你们只要知道我有颗带你们撩妹的心就行了)
网友评论